访谈希迪智驾：重载具身智能，拼的是场景、数据与产业闭环

最近，芯流汽车与多家媒体一同受邀，参加了希迪智驾高管的媒体群访。

过去一年，具身智能逐渐成为产业关注的焦点。但热度之外，一个现实问题摆在整个行业面前：AI应该优先进入哪些场景，又依靠什么真正改变物理世界？聚焦重载赛道的希迪智驾，又能走出怎样的落地路径？

围绕这些问题，希迪智驾CEO胡斯博博士在此次访谈中给出了一些看法。

文明的每一次质变，都发端于一件新工具的诞生。蒸汽机点燃工业之火，内燃机驱动全球产业血脉，计算机编织信息之网——从解放双手到释放动能，再到重构算力，人类始终在用工具拓展自身的能力疆域。如今，当数字智能与物理实体深度融合，什么将成为叩开物理世界下一扇大门的钥匙？

胡斯博博士的回答是：重载具身智能。

按照这一思路，矿山、港口、重载物流等产业场景，并非只是自动驾驶技术的应用场景，更是物理AI走向规模化落地的重要起点。这里既拥有明确的安全与效率需求，也能够持续产生高质量数据，并通过真实生产不断验证技术、完善产品、优化解决方案。

以下为对话实录，祝读者开卷有益：

01

场景与价值：重载具身智能，为什么从矿山开始？

【芯流注】在希迪智驾看来，矿山、港口、物流等重载场景拥有明确的安全需求、稳定的作业流程和持续产生产业数据的能力，比许多开放场景更容易形成商业闭环。运输只是起点，真正的目标，是让AI逐步进入资源开采、物流运输、工程作业等更多生产环节，推动整个重载作业体系的智能化升级。重载具身智能，并不是自动驾驶的终点，而是自动驾驶向物理AI演进的一条产业路径。

媒体：我想问胡博两个问题。第一个，我了解到你具有金融交易和算法的双重背景。当初你放弃海外金融赛道，投身到重载自动驾驶这个领域。在一般人看来，这是一个非常苦的硬科技赛道，可是你为什么这么坚定地带领公司进入这个行业？第二个，现在行业里面都在做矿山自动驾驶，你提出的重载具身智能和全栈技术，与同行相比，最核心的差异化壁垒体现在哪些方面？

胡斯博（CEO）：您的第一个问题。很多工作本质上也是在做自动化系统开发。十多年前，那个时候整个技术生态不像现在这么成熟，但大家已经能够看到AI的苗头。在我的视角，自动驾驶就是AI皇冠上的钻石，所以我非常兴奋。李泽湘老师拉着我一起成立团队，希望把这件事情做好。

八九年前创业初期，无论产业链、客户需求还是产品，其实都不成熟。但我们当时已经看到了很多机会。毕竟新的技术会带来更多想象空间，我们最兴奋的，就是做一些新的产品、做一些新的技术。所以，当时更多还是基于对技术的热爱。

其实物理世界的感知与控制数据，相比金融数据，要好采集、好处理得多。金融数据、经济数据有很多不确定性，随机因素很多，所以其实很难。但物理世界里的机械数据、感知数据，在某种程度上反而更干净、更结构化。所以做模型训练、推理，包括做一些应用，往往能够比较快看到效果。

第二个问题，就是我们认为跟同行相比的壁垒。刚才也提到，机器人其实一直都是我们企业基因的一部分。李泽湘老师是机器人学科领域的权威，我们的研发总部设在长沙。大家也知道，长沙本身就是一个重型机械产业非常核心的城市，也聚集了很好的人才。我们认为自己无论是在理论还是实践上，都有比较好的基础。

另外，现在我们也有很好的产业资源。客户已经看到，我们能真正落地无人化、自主作业的应用方案，所以他们愿意向我们开放更多生态内的作业场景与技术接口，跟我们一起打造新的产品。因为我们的定位，就是成为一个好的技术平台。核心差异化壁垒主要就是这两方面。

媒体：今天感觉物理AI是一个非常重要的话题，我们准备怎么做物理AI？目前已经做到什么程度，还有哪些没有做到？

胡斯博：这显然是有不同的环节，运输是第一个环节，因为落地场景最大，车辆数量也最多。其实商用车，无论矿卡还是重卡，使用强度都非常高，单日运行时长普遍可达16至 20 小时，使用强度远高于乘用车。但运输只是客户整个业务链中的一个环节。客户还需要仓库、港口、工地、矿山等场景的多元自主作业能力。

无论哪个环节，本质上都是在解决安全和效率的问题。现在整个产业链、整个行业，包括资本，都比过去更有信心去完成这些事情。过去很多场景设想还停留在科幻概念层面，行业早年就有相关畅想，但产业链、产品、技术和资本都还没有能力实现。

今天，我们终于看到了实现它们的希望，我认为这是最重要的一点。我一直觉得，这类技术的发展往往比大家想象得慢，但真正到来的时候，又会比大家想象得快。因为很多技术都不是线性增长，而是指数级增长。比如精确机械臂控制，无论是装药机器人、无人挖掘机，我们认为这些能力都已经开始具备。

无人车首先解决的是导航问题。前几天我们也跟做人形机器人的公司交流，他们认为，人形机器人最大的瓶颈之一，其实还是导航能力没有做到像无人驾驶汽车这么成熟。现在你让它去哪儿、怎么走，这些能力依然存在很多限制。而我们由于车辆体积更大，可以部署更多传感器，对环境的ODD（ODD是自动驾驶领域的标准术语，全称Operational Design Domain） 定义也更加明确，因此在露天场景下，这方面优势比较明显。

第二是精确控制能力。对具身大模型而言，能否实现厘米级的精准控制，是衡量其落地能力的核心标准之一。像矿山排土场边缘停车，就是一个随机性很强、又要求极高精度的任务，必须做到非常精准，才能保证安全。正因为我们能够做到这一点，所以才有能力继续扩展到爆破装药、无人挖掘、凿岩等更多重载机器人场景。不同形态的机器人适配不同作业场景，也会面临各自的技术约束与落地瓶颈。但至少目前，我们已经具备完成很多高精度作业的能力。

另外，重载机器人还有一个和其他机器人最大的区别，就是它必须长期工作在非常恶劣的环境里。比如防爆环境、落石环境，对整机防护都有非常高的要求。从机电设计到传感器布局，我们在自动驾驶业务中积累了大量成熟经验，能够很好地迁移到各类重载具身智能产品上。

媒体：您提到一个数据，就是矿山无人驾驶目前的渗透率大概在10%左右。能不能结合您的经验分享一下，目前这个行业的痛点和卡点在哪里？另外，未来要进一步扩大市场份额、扩大行业规模，还有哪些方向的布局？

胡斯博：首先，10%的渗透率，和其他很多新赛道相比，其实已经是一个进展非常快的数字。即便是发展多年的开放道路乘用车高阶自动驾驶，当前落地渗透率也未达到这一水平。它能够发展这么快，核心驱动力来自两方面：一是安全需求的强力推动，矿山企业对生产安全与运营效率都有迫切的升级诉求；二是政策端的明确支持。 当然行业落地也存在现实卡点：新技术普及存在一定的采纳惯性，资产归属、权益划分、模式适配等问题，都需要客户与厂商共同探索解决方案。

整个行业目前基本都是按照这样的节奏在发展。当然，它的优势在于，资源开采与运输场景不仅政策层面限制少，反而有明确的正向引导与推动，而且本身就是刚需。我们认为，它整体的发展速度还会保持。甚至在一些细分赛道，未来几年渗透率很快就可能突破30%、40%。我们目前看到发展最快的是煤矿。因为煤矿规模大，需要运输车辆非常多，车辆利用率也很高，所以未来几年煤矿场景的无人驾驶渗透率会持续快速提升。

盛维天（希迪智驾无人重卡事业部总经理）：我补充一下。矿山领域现在能够快速发展，除了刚才讲到的刚需之外，还有一个非常重要的原因，就是政策不仅没有阻碍，而且是强力推动。有些地方甚至明确要求，矿山必须在哪一年之前，实现多少比例的无人驾驶。这一点和城市道路Robotaxi等行业是不一样的，这也是未来矿山无人驾驶能够快速发展的另外一个重要原因。

我觉得，具身智能本身也提供了更多、更综合的技术手段。因为运输只是客户整个生产流程中的一个环节。最近我们和一些大型矿业公司交流，采矿运输仅占矿山全生产流程工作量的20%-30%，其余60%以上集中在采掘、装卸等核心生产作业环节。这些环节同样存在很多无人化、安全、效率方面的瓶颈。新的技术，也能够提供更多综合性的解决方案。

杨赛鑫（希迪智驾副总裁）：再补充一些数据和案例。国家明确要求采矿作业面实现无人化、少人化。到了核心矿区所在地的地方政府，比如新疆淮东经开区，也已经明确提出，到2027年，无人矿卡投用率要达到80%。所以，我们对此还是比较乐观。未来核心矿区，到2030年前后，我们预计可能会进一步要求实现全面无人化。

02

数据与智能：算法可以复制，场景闭环不能复制

【芯流注】大模型快速发展之后，算法正在以前所未有的速度迭代。从端到端，到强化学习，再到世界模型，新的技术路线不断出现，也不断趋于开放。相比模型本身，真正难以复制的，是企业长期深入真实场景形成的数据积累、工程经验以及持续迭代能力。对于重载具身智能而言，这种来自产业现场的闭环，正在成为比算法更加重要的竞争壁垒。

芯流：我这边有一个关于智驾算法的问题。我刚才听下来，现在做重卡自动驾驶，是不是还是以两段式为主？还是说，其实已经开始采用一些乘用车智驾正在推进的新方案，比如一段式、强化学习、世界模型等等？因为现在大家也都在讲具身智能，对于世界模型的研究非常多。所以我想了解一下，目前重卡自动驾驶在算法技术上，是不是已经呈现出多种技术路线并存的状态？以及，你们是如何平衡不同算法路线之间关系的？

盛维天：我先回答一下。像我刚才介绍的，重卡在不同区域，对算法的要求其实是不一样的。比如一辆重卡，从工厂发货仓库出发，经过公开道路，再进入物流园区仓库，完成整个运输流程。两端更多是定制化装卸需求。装卸的时候，需要对接各种不同的设备，比如挖掘机、装载机、吊车、环吊、正面吊等。而公开道路，则要面对复杂交通流。所以，这两个环境，对车辆技术要求是不一样的。针对这两种环境，我们采用的是双工作流模式。

在封闭场景里面，因为定制化需求多，而且数据比较分散、数据量比较少，所以更多采用两段式网络，加上规则选择器，让车辆能够快速适应封闭区域里的各种定制化需求。而在公开道路，由于重点是处理复杂交通流，所以更需要采用一段式模型，把感知、决策整个串联起来，处理更多复杂场景和corner case。所以目前我们的现状，就是这两套方案并行。

胡斯博：我再补充几个看法。第一，现在重卡在公开道路上的运输数据，我认为还没有任何一家真正积累到足够大的规模。因为它的数据形态和乘用车还是不太一样。首先，大车视角比乘用车高，需要看到的内容也更多。乘用车很多结构化数据可以直接利用，但感知数据还是需要大车自己去采集。希迪的一个优势，就是我们很多产品本身就在公交车、大型车辆上部署，所以能够持续采集、分析城市道路数据。未来随着车辆越来越多，这类数据会越来越容易采集，也会有更多方法可以利用。包括世界模型，以及您提到的其他方法，未来都会应用进去。

但是在两端，它仍然需要比较多的专用数据。因为涉及专用场景，比如怎么装卸效率最高、多车之间怎么协同，这些全部都是自己的车辆，需要很强的集群协同能力。所以我们认为，现阶段重卡自动驾驶的发展节奏，就是两端能力先建立起来，再逐步向公开道路延伸。同时，它对于可靠性、稳定性的要求一定更高。毕竟车更大，大家天然会觉得风险更高。但另一方面，它不像城市场景那么复杂，所以它也有自己的发展节奏。我认为整体还是比较可控的。目前最大的约束还是法规。如果法规没有放开，车辆数量就不可能太多，自然数据规模、模型训练质量都会受到影响。

媒体：今天讲的是物理AI驱动重载作业，但其实现在很多AI公司，包括不少乘用车智能驾驶公司，也都开始进入专业驾驶场景。我们做物理AI、做重载具身智能，真正的护城河在哪里？

胡斯博：我认为具身智能行业很快会进入一个各家公司各自发挥优势的阶段。刚才也提到，每家公司都会找到自己最擅长、效率最高的方向。这两天，我们也会和一些主机厂、机器人公司展开合作，大家更多是相互赋能。比如我们的布局并不在人形机器人，而是在重载机器人领域，包括很多具有防爆要求的特殊场景。这些设备本身载荷更大，对机电系统要求也完全不同。像机械狗、机械猫、人形机器人，它们面对的是另一类问题。而我们的双臂无人挖掘机，自由度同样很高，可以达到17到20个自由度，本身也是一种非常复杂的机器人系统。

所以，我们认为真正的核心壁垒还是场景。无论是露天矿、井下矿，还是各种重载运输场景，我们长期积累了大量场景知识和数据。普通企业如果想进入这个行业，需要重新经历一遍这个过程，才能真正理解这些场景需要什么、数据结构是什么、如何利用这些数据做决策。至于采用端到端、强化学习还是其他模型，本质上都只是不同的技术路线。尤其强化学习的决策模型，本身就非常难训练。

归根到底，还是研发效率的问题。企业投入多少研发资源，多少人去做仿真、机电、感知算法训练，不同技术组合决定了最终效率。成功的企业，一定能够找到最适合自己的高效率研发路径。很多合作伙伴也都在各自擅长的领域拥有比我们更高的效率。但我们认为，在重载场景这个方向，并不是所有企业都能够轻易获得这样的效率，甚至未必愿意投入到这个领域，这也是我们的判断。

盛维天：我补充一点。现在大家讲世界模型，更多还是放在车上。但实际上，车最核心的任务还是运输。即使车上部署了世界模型，它关注的依然主要是运输和驾驶。另一方面，车辆端侧算力毕竟有限，所以车上的世界模型承载的数据，也主要围绕运输业务展开。

但如果把这些重载具身智能装备全部接入，比如埋炸药机器人，它最核心的任务不是运输，而是埋炸药。那么它搭载的模型，关注的就是自己的业务和作业场景，这些数据很多是运输车辆本身无法获得的。所以，当这些重载具身智能设备全部加入之后，相当于整个世界模型拥有了更多维度的数据来源，让整个世界的数据更加完善、更加丰富，也能够帮助我们更好地完成业务与环境之间的匹配。

03

产品与商业：客户购买的，不只是无人驾驶

【芯流注】随着无人驾驶逐步进入规模化应用阶段，行业竞争也开始从单一产品竞争，转向整体解决方案竞争。对于矿山客户而言，无人驾驶只是整个生产流程中的一个环节。相比一辆能够自主行驶的车辆，他们更关心的是整个作业流程是否更加安全、高效、透明，以及不同设备之间能否真正形成协同。在希迪智驾看来，技术最终必须服务于商业价值，而真正决定产品生命力的，也不是某一项功能，而是能否持续帮助客户解决实际问题。

媒体：今天重点讲的是重载具身智能。刚才也介绍了一些技术上的差异，但最终还是要落地到真实运营场景。我想知道，它在真实运营过程中，能够带来哪些数据上的改善？有没有一些更具体的数据或者案例可以介绍？

胡斯博：比如无人挖掘机，上面安装了大量传感器，包括各种关节、电机以及其他部位的传感器，它能够持续感知环境。例如在矿山作业面，它能够识别作业面的形态，判断是否存在塌方风险。完成一次作业之后，下一个时刻整个作业面的形态会发生怎样的变化，这些都会直接影响矿山整体作业效率。如果一个作业面的挖掘效率不高，就会影响整个矿山的生产效率。

这些数据都可以通过矿山挖掘机持续采集，而这些数据在其他应用场景里是获取不到的。比如凿岩设备，在井下钻孔的时候，它同样会对环境、作业面建立非常完整的数据采集和建模能力，这些也是其他实验场景无法获得的。

所以核心在于，你真正进入这些场景之后，才知道真正的问题在哪里。这些数据来源也非常多元，有一部分来自雷达传感器，有一部分来自视觉，还有一部分来自电机输入输出等各种信息。所以数据模型本身是非常丰富、多维的，关键在于我们如何利用这些数据，进一步提升整个系统能力。

媒体：我补充一个问题。我们当时做自动驾驶，是因为自动驾驶相对来说是一个更简单的问题，而且它的可复制性和边际效益都比较高。现在如果做智能挖掘机、铲车这些产品，它的技术难度是不是更大？但由于设备数量相比运输车辆要少，它的边际成本优势是不是反而没有那么明显？

胡斯博：所有AI技术其实都会产生两种效应。第一种，是替代过去的作业方式。从资本市场角度来看，大家会觉得市场规模可能就是原来的市场规模。第二种，是大幅提升过去的效率和作业方式，从而创造出更多新的落地应用机会。这两种效应最大的区别，就在于这些场景真正的瓶颈在哪里。如果瓶颈正好存在于这些场景，我们认为，它就会带来更大的规模化落地机会。

另外，我们始终还是以服务客户为核心，希望帮助客户通过技术解决重载场景里的整体作业问题。刚才也提到了，我们提供的是过去从来没有过的透明度和掌控能力。设备部署之后，它一直在采集数据，我对整个环境能够实现全面感知，而不像以前，需要依赖大量人工采集数据，只能得到一些片面的信息或者文字描述，这些信息本身是不完整的，也会影响客户的效率和最终商业成功。所以我们认为，这里面还有很多机会。

作为一家技术公司，我们希望开发新的产品。其实很多时候，我们的客户比我们更焦虑，他们面对利润空间、成本压力以及行业竞争，都迫切希望找到新的解决方案。目前我们服务的客户主要有两个核心需求。第一个是本质安全。通过我们一整套重载智能化方案，这个问题能够得到很好解决。第二个是效率。所有客户都面临降本增效的压力，我们通过整套无人化、智能化解决方案，不断优化客户全流程、全工序，大幅提升整体运营效率。所以从这两个角度来看，我们和客户的需求高度匹配。至于您担心其他玩家进入这个行业，我认为这个行业门槛还是比较高的。

盛维天：胡博刚才也提到，我们始终坚持从场景出发，真正理解客户需求，再去设计解决方案。当你的技术方案足够完整之后，就会不断衍生出新的商业模式，针对重载的具身智能体也会来。因为它能够提供更多数据、更多能力，真正去改变物理世界。那么未来模型的使用方式、商业模式，包括资产归属、最有价值的资产在哪里，都会发生变化。

所以，设备数量是不是足够多，并不是衡量市场空间最好的方式。真正重要的是，能够帮助客户解决当前最迫切的刚需问题，并率先实现落地。这也是我们在产品设计时一直坚持的原则。

04

全球化与物理AI：真正改变物理世界，才是下一代AI

【芯流注】过去几年，大模型推动人工智能进入新的发展阶段，也让越来越多企业开始思考，AI究竟还能改变什么。从无人驾驶，到重载机器人，再到更多智能装备协同作业，物理AI的发展不仅取决于模型能力，更取决于产业需求、法规环境以及工程体系的成熟程度。这也是为什么，重载产业正在成为全球物理AI最早实现规模化应用的方向之一。对于中国企业而言，当场景、数据和工程能力不断积累之后，真正的竞争也将从国内走向全球。而如何把这些能力复制到海外市场，也成为下一阶段的重要命题。

媒体：今天感觉物理AI是一个非常重要的话题，所以我想请胡博总结一下。为什么要做物理AI？现在业内有一种说法，认为物理AI真正迎来ChatGPT时刻还需要3到5年。您认为，物理AI最快实现大规模商业化落地的场景会是什么？

胡斯博：第一个，为什么要做物理AI？我觉得，过去几年，或者至少五年前，大家还是低估了AI的能力。直到ChatGPT出现以后，大家突然意识到，原来AI有这么大的可能性。无论是模型应用、Token 商业模式，还是推理能力，它的发展空间都远远超过我们的想象。所以我们回到今天第一页讲的主题，我们认为，目前真正能够改变物理世界的AI应用，其实还非常少，而真正改变物理世界，本身就是一件难度非常高的事情。我们聚焦资源开采与运输、物流、大基建和交通工程四大细分市场，这几个领域在很大程度上影响着整个社会的发展。无论交通还是基础设施，都关系到全球城市化、人口流动，以及每个人每天的生产、生活和消费。AI只有真正渗透到这些行业，我们才能真正享受到AI带来的红利，因为它影响的是整个社会。

关于物理AI什么时候迎来ChatGPT时刻。我认为，它还是会按照自己的节奏发展。其实无人驾驶汽车按道理应该是扩展速度最快的方向，但因为法规限制，目前还没有完全释放。我们当初率先落地矿山，也是因为矿山受到法规限制相对较少，更容易实现规模化。所以我认为，资源开采和运输领域，物理AI普及的时间会比大家想象得更快，不一定需要3到5年。

只要一个行业，人已经成为瓶颈，没有太强的法规限制，或者法规本身就是推动力量，那么AI落地速度都会非常快。技术的发展本身不是孤立的，它始终和法规、社会接受程度共同形成一个闭环。所以未来真正决定行业发展的，还是法规。作为整个行业，我们需要不断推动更多优秀场景落地，让更多企业共同合作，把新技术真正部署到现实世界，我认为这样整个行业的发展速度会非常快。

媒体：您刚才提到未来行业渗透率会持续提升，同时其他玩家进入也比较困难。那么未来几年，这个行业会不会出现越来越明显的马太效应？行业集中度会进一步提高，还是仍然保持比较分散的竞争格局？

胡斯博：目前来看，矿山无人驾驶行业的竞争并没有大家想象得那么激烈。现在已经有几家企业做得不错，彼此之间也存在很多合作机会。当然，我们对自己聚焦的技术方向和技术能力非常有信心。我们认为，有些企业即使进入这个行业，也未必能够做到比我们更高的效率。不是说他们做不出来，而是企业最终比拼的是效率。比如研发投入，同样一件事情，是自己研发、购买成熟方案，还是跟合作伙伴共同完成，每一种选择都需要非常谨慎。如果决策失误，很容易造成资源浪费。有时候企业坚持全部自研，反而不如聚焦自身优势，与合作伙伴形成互补。随着行业逐渐成熟，高效率合作一定会越来越多，也一定会形成完整产业链。

目前，我们并没有自己做重资产制造。一方面，中国已经拥有很多优秀的主机厂，我们更愿意与他们合作，共同开发产品、共同出海。很多主机厂本身就是我们的供应商，为我们提供制造能力，实现前装定制和规模化量产，一起为客户提供整体解决方案。当然，很多主机厂也希望掌握自动驾驶、智能化等核心能力。我认为最终大家都会发现，不同场景、不同技术模块，更适合由不同企业来完成。

我们认为，我们最大的基因还是AI，包括智能大脑、机电融合、模型能力、场景集成以及多智能体协同技术。这些能力如果全部由一家企业独立完成，挑战还是非常大的。但这并不妨碍我们与更多企业合作，包括产业伙伴、金融机构等，共同开发不同场景，共享整个生态中的服务能力。

媒体：刚才也提到了全球化战略。之前我们也看到，公司已经和全球设备巨头开展合作。我想了解一下，这种中国技术+海外渠道的模式，会不会成为未来出海的主要商业模式？相比其他企业，我们出海最大的优势是什么？同时，又有哪些挑战可能影响整个全球化战略？

胡斯博：我认为，早期还是会更多跟本土企业一起出海，之后会逐渐发展到直接与更多海外企业合作，由他们带着我们一起进入海外市场。其实很多海外企业，比如我们合作的海外巨头，都非常认可我们目前的技术布局、产业链优势以及创新速度。而这些，恰恰是很多海外企业目前不具备的。他们拥有成熟的商业关系，但在资源开采这样的行业，长期竞争最终还是要看技术效率、客户价值以及成本优势。无论商业关系多强，这都是无法回避的竞争核心，海外客户也一定会考虑这些问题。

现在，我们已经拥有不错的海外合作伙伴。他们了解我们的创新能力，也希望尽快和我们一起拓展海外客户，让更多海外客户知道，我们在中国开发出来的这些产品，其实已经处于全球领先水平。这个过程，其实很像过去两三年中国新能源乘用车出海的过程，是一个厚积薄发的过程。在中国先建立完整体系和品牌，再凭借优秀产品打开海外市场。我们面对的不是消费者，而是大型企业和国际品牌，他们对于新技术、新模式有自己的接受节奏和决策周期。但我们认为机会非常大。